audio-dataset

audio-dataset

LAION音频数据集收集与处理开源计划

LAION发起的Audio Dataset Project致力于收集和处理大规模音频-文本对数据集。项目团队由Mila和UCSD的研究人员及全球贡献者组成,专注于数据收集、标准化处理和webdataset格式存储。该项目为CLAP等模型训练提供数据支持,并设有完善的贡献指南和进度跟踪系统,欢迎更多贡献者参与。

音频数据集LAIONCLAPwebdataset开源项目Github
<div align="center"> <a href="./data_collection/README.md"><img src="https://img.shields.io/badge/%20-所有数据集列表-red" width="170px" /></a> &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<a href="https://github.com/orgs/LAION-AI/projects/2/views/1"><img src="https://img.shields.io/badge/%20-Github项目页面-red" width="175px" /></a>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<a href="./data_preprocess/README.md"><img src="https://img.shields.io/badge/%20-数据处理流程-red" width="190px" /></a> </div> <br><br><br> <div align="center"> <a href="./laion-audio-630k/README.md"><img src="https://img.shields.io/badge/-LAION--Audio--630K-red" width="400px" /></a> </div> <br><br>

什么是音频数据集项目?

这个仓库是为音频数据集项目创建的,这是由LAION发起的音频数据集收集计划。这些数据集每个都包含大量的音频-文本对,最终将被处理并用于训练CLAP(对比语言-音频预训练)模型和其他模型。

这里有一个解释视频向您介绍这个项目。

我们是谁?

由于音频数据集是属于LAION的开源项目,我们有一个开源贡献者团队。他们包括LAION成员,来自MilaUCSD的三人研究小组Yusong WuKe ChenTianyu Zhang,实习生Marianna Nezhurina,前实习生Yuchen Hui,以及来自世界各地的许多热情贡献者,如Discord服务器上的@PiEquals4#1909。

我们做了什么?

  • 我们持续收集音频数据集,这里是我们找到的所有数据集的列表
  • 我们定义了存储和处理所有音频数据集的标准和方法,这对于统一数据集的最终格式以简化模型训练至关重要。我们目前使用的最终数据集格式是webdataset。具体的数据处理流程在这里指定。
  • 您还可以在这里找到每个已处理音频数据集的处理代码。测试这些脚本所需的依赖项在文档environment.txt中指定。请注意,environment.txt可能是一个不完整的列表。还有一个包含冗余包的列表environment.yml(即完整列表的超集),您可以使用命令conda env create --name envname --file=environment.yml创建环境,并使用conda activate envname激活它。

贡献

联系方式

  • 您可以在LAION的Discord服务器的CLAP频道(频道名称是小写的clap)找到我们。
  • 在CLAP频道,如果您对项目有任何问题,请随时与实习生Marianna Nezhurina(marianna13#7139)、Christoph Schuhmann(@spirit-from-germany#1488)、Richard(@rvencu#4120)、Romain(@rom1504#5008)、Yuchen Hui(@Yuchen Hui#8574)、Yusong Wu(@Yusong Wu#3047)、Ke Chen(@Ke Chen#0709)或Tianyu Zhang(@tianyuzhang#1725)交流。括号中的文字是Discord ID。
  • 此外,如果您在贡献过程中需要计算资源,请进入Discord服务器的compute-allocation频道,阅读置顶消息以了解LAION pods的使用方法。如果遇到任何问题,请随时在该频道提问。
  • 7.14更新:旧的LAION pods不再可用,所以您必须在CLAP频道联系Richard(@rvencu#4120)以获取新LAION集群的访问权限。

项目进展

我们创建了一个github项目页面来跟踪数据收集和数据处理的进度。以下是项目的每个板块的一些描述:

  • 待办事项板块:这个板块中放置了列表中尚未转换为webdataset格式且目前没有人在处理的所有数据集。
  • 已分配/进行中/处理中板块:我们列出了已分配给某人处理的数据集,即我们已经有贡献者在处理这些数据集。
  • 审核板块:一旦某个数据集被转换为webdataset格式,相应的项目应该被移到这里,表示它已准备好进行进一步审核(例如,检查是否有任何格式错误,以确保模型训练的质量)。
  • 完成板块:如果在审核阶段没有发现问题,数据集将被归档到"完成"板块,这意味着它已准备好用于训练模型。

如何贡献?

主要有两种方式可以为我们的音频数据集项目做出贡献。

  1. 通过网络爬取技术收集分散的音频源(然后将它们转换为webdataset格式,即下面的第二点)

    示例:从剑桥词典爬取单词-发音对,或从YouTube抓取视频,提取声音并与标题关联。

    如果您想了解我们目前关注哪些分散的音频源,或者如果您对我们下一步应该抓取什么有建议,请加入我们的Discord。

  2. 处理已整理的数据集,即根据流程将它们转换为webdataset格式

    示例:Clotho是一个已整理的音频数据集,有自己的格式,我们应该使用data_preprocess/preprocess_clotho.pyutils/make_tars.py将其转换为webdataset格式。有关更多处理细节,请阅读流程部分。

    对于这类贡献,建议查看github项目页面中待办事项板块的数据集并加入我们的Discord服务器。请在从待办事项板块选择一个要处理的数据集后联系Marianna Nezhurina(marianna13#7139),这样我们可以跟踪进度并避免多人同时处理一个数据集的情况。

  • 最后但同样重要的是,如果您发现任何有趣的已整理数据集(如Clotho),您可以在LAION Discord服务器告诉我们。我们最终会将其添加到列表中。

贡献交付

理想情况下,在上述两种情况下,我们希望收到您的webdataset格式数据集。当您将数据集打包成webdataset格式后,将其上传到我们的AWS S3存储桶:aws s3 cp your/webdataset/ s3://s-laion-audio/webdataset_tar/your webdataset/,并联系Marianna Nezhurina(marianna13#7139),以便她可以将数据集移至审核板块。(如果可能,请也将处理后的(尚未打包的)数据集添加到S3://s-laion-audio/processed_dataset)。

关于AWS S3访问问题,请参见上面联系方式条目中的LAION集群部分,因为如果从LAION新集群访问,AWS S3是可以访问的。

然而,对于抓取的数据集,我们也接受CSV文件,其结构为:

允许我们下载的音频url链接 , 文本

即每行是一个音频url-文本对,这样我们可以轻松地编写批处理文件来处理它。

结束

最后更新于2022年7月14日0:57 EST 最后更新于2022年9月5日11:00 EST(Marianna Nezhurina将接替Yuchen Hui的实习工作) 最后更新于2022年11月8日18:55 EST(发布LAION-Audio-630K数据集)

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多